تصور کنید به‌جای کل‌کل با یک چت‌بات، درخواستتان را به یک مدیرعامل هوشمند بدهید که آن را بین دپارتمان‌های حقوقی، مالی و امنیتی توزیع کند. این دقیقاً همان تغییری است که Botropolis در معماری عامل‌های هوش مصنوعی ایجاد کرده است.
طبق گزارش منتشرشده در ۳۰ سپتامبر ۲۰۲۶، این سیستم به‌جای تکیه بر یک پرامپت پیچیده، ۲۰ عامل (Agent) متخصص را در ۱۰ دپارتمان مختلف مستقر می‌کند. در این ساختار، یک عامل در نقش مدیرعامل (CEO) قرار دارد که درخواست کاربر را می‌خواند، آن را به بخش مربوطه ارجاع می‌دهد و در نهایت گزارش نهایی را تدوین می‌کند. این رویکرد در راستای تحولی است که در آن عامل‌های هوش مصنوعی به‌جای ارائه پاسخ‌های ساده، بر اجرای عملیات متمرکز شده‌اند تا بهره‌وری سازمانی افزایش یابد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، مدیریت جریان داده در سامانه‌های پیچیده همواره یک چالش بوده است. Botropolis با این رویکرد، مسئله‌ی «مسیریابی» (Routing) را به چالش اصلی هوش مصنوعی عامل‌محور (Agentic) تبدیل می‌کند تا از شکست مدل‌ها در مقیاس‌های بزرگ جلوگیری کند. برای درک بهتر این موضوع، می‌توان به راهکارهای حذف وابستگی‌های پیش‌بینی‌ناپذیر در بافت‌های چندعاملی اشاره کرد که پایداری سیستم‌های توزیع‌شده را تضمین می‌کند.
به نقل از مستندات این پروژه در dev.to، زیرساخت سیستم بر پایه سرور FastAPI است و یک رابط کاربری شامل سه بخش دارد: چت با مدیرعامل، «اتاق جنگ» برای تعامل مستقیم با عامل‌ها و یک داشبورد تحلیلی. هر عامل از طریق یک فایل YAML تعریف می‌شود که شامل عنوان، تخصص، مدل مورد استفاده و پرامپت سیستمی (System Prompt) است.
جزئیات پیاده‌سازی فنی
- botropolis-scout-tiny: یک ترنسفورمر (Transformer) با ۵.۵ میلیون پارامتر که از صفر روی CPU و با ۳۰۰ جفت پرسش و پاسخ مصنوعی آموزش دیده است.
- SmolLM2-135M: مدلی بزرگ‌تر که از طریق لورا (LoRA) — شبیه به اضافه کردن یک لایه تخصص سریع به یک پزشک عمومی — روی ۲۹۴۰ نمونه داده تنظیم شده است.
- Registry: سیستمی که با بارگذاری مشخصات YAML، بررسی کل ساختار شرکت را در یک بعدازظهر ممکن می‌کند.
برای توسعه‌دهندگان، این یعنی گذار از «مهندسی پرامپت» به «مهندسی سازمانی». وقتی بتوانید تأخیر (Latency) و هزینه توکن (Token) — تکه‌های کوچکی از متن که مدل می‌خورد — را برای هر عامل به‌صورت لحظه‌ای ببینید، دیگر روی کلمات وسواس نمی‌ورزید، بلکه مثل یک مدیر بودجه، مسیرهای ارتباطی را بهینه می‌کنید. این بهینه‌سازی در واقع پاسخی به خطاهای رایج هماهنگی عامل‌ها در سازمان‌هاست که پیش‌تر در معماری‌های پیچیده مشاهده می‌شد.
در حال حاضر مخزن این پروژه با مجوز MIT در گیت‌هاب در دسترس است. گام‌های بعدی توسعه بر روی پاسخ‌های جریانی (Streaming) و اتصال مستقیم ابزارها به کلاینت‌های مدل متمرکز خواهد بود.
گام بعدی شما
- مخزن گیت‌هاب Botropolis را بررسی کنید تا ساختار دپارتمان‌های عامل‌محور را در پروژه‌های خود پیاده کنید.
- مدل‌های کوچک (SLM) را برای وظایف تخصصی جایگزین مدل‌های غول‌پیکر کنید تا هزینه استنتاج را کاهش دهید.
- داشبورد تحلیل توکن‌ها را برای شناسایی گلوگاه‌های تأخیر در زنجیره پاسخ‌ها به کار بگیرید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو